UniAnimateは、人物画像アニメーションのための統一的なビデオ拡散モデルフレームワークです。参照画像、ポーズガイド、ノイズビデオを共通の特徴空間にマッピングすることで、最適化の難易度を軽減し、時間的な一貫性を確保します。UniAnimateは長いシーケンスを処理でき、ランダムノイズ入力と最初のフレーム条件入力をサポートすることで、長期ビデオ生成能力を大幅に向上させます。さらに、計算負荷の高い時間Transformerに代わる、状態空間モデルベースの代替時間モデリングアーキテクチャも検討しています。UniAnimateは、定量的および定性的評価において、既存の最先端技術を上回る合成結果を達成し、最初のフレーム条件戦略を反復的に使用することで、高度に一貫性のある1分間のビデオを生成できます。